[发明专利]用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及系统

权利要求书

1.一种用于甲状腺肿瘤细胞学涂片图像分类的卷积神经网络的构建方法，其特征在于，包括：

获得若干一定尺寸的甲状腺肿瘤细胞学涂片图像；

从甲状腺肿瘤细胞学涂片图像中截取有辨别力的区域进行良恶性标注；

将经良恶性标注的甲状腺肿瘤细胞学涂片图像作为训练集，并进行数据扩增；

生成初步卷积神经网络；

用扩增后的训练集训练初步卷积神经网络，优化其参数，使其可判断甲状腺肿瘤细胞学涂片图像中细胞的良恶性，从而形成成熟卷积神经网络；

所述生成初步卷积神经网络中，所述初步卷积神经网络由强化学习方法寻找最适合甲状腺肿瘤细胞学涂片图像分类的现有卷积神经网络作为基础，采用循环神经网络作为强化学习网络预测器，搜索并生成各种卷积神经网络，对其进行初步训练并设定一个准确率阈值，将准确率高于阈值的卷积神经网络作为初步卷积神经网络；循环神经网络每次迭代都会给卷积神经网络添加一层，包括卷积层、池化层和全连接层，或者结束卷积神经网络的生成过程；对于卷积层，循环神经网络预测其通道数量和内核大小；对于池化层，循环神经网络预测其内核大小；对于全连接层，循环神经网络预测其通道数量。

2.如权利要求1所述的用于甲状腺肿瘤细胞学涂片图像分类的卷积神经网络的构建方法，其特征在于，所述数据扩增的方法为：采用对图像进行水平翻转和/或旋转的方式进行数据扩增。

3.一种用于甲状腺肿瘤细胞学涂片图像分类的卷积神经网络的构建方法，其特征在于，包括以下循环步骤：

1)生成第n卷积神经网络；

2)用甲状腺肿瘤细胞学涂片图像训练集训练第n卷积神经网络；

3)用甲状腺肿瘤细胞学涂片图像验证集验证经训练后的第n卷积神经网络的准确率，所述验证集是其中每一张图像都不同于训练集中任意一张图像的一个经良恶性分类的甲状腺肿瘤细胞学涂片图像集；

其中，n为自然数，每循环一次n增加1；设定一个阈值，当第n卷积神经网络的准确率低于所述阈值时，使用策略梯度算法更新所述循环神经网络的参数后回到步骤1)；当第n卷积神经网络的准确率高于所述阈值时，结束循环步骤；

其中训练过程采用带mini-batch的随机梯度下降法对初步卷积神经网络进行训练，对mini-batch内的样本分别计算梯度，求出平均值，然后对卷积神经网络参数进行更新；

所述生成初步卷积神经网络中，所述初步卷积神经网络由强化学习方法寻找最适合甲状腺肿瘤细胞学涂片图像分类的现有卷积神经网络作为基础，采用循环神经网络作为强化学习网络预测器，搜索并生成各种卷积神经网络，对其进行初步训练并设定一个准确率阈值，将准确率高于阈值的卷积神经网络作为初步卷积神经网络；循环神经网络每次迭代都会给卷积神经网络添加一层，包括卷积层、池化层和全连接层，或者结束卷积神经网络的生成过程；对于卷积层，循环神经网络预测其通道数量和内核大小；对于池化层，循环神经网络预测其内核大小；对于全连接层，循环神经网络预测其通道数量。

4.应用于如权利要求1所述方法的一种用于甲状腺肿瘤细胞学涂片图像分类的卷积神经网络的构建系统，其特征在于，包括数据生成器、网络生成器和训练单元；所述数据生成器用于生成训练数据，所述网络生成器生成一个初步卷积神经网络，然后训练数据和初步卷积神经网络都传入训练单元，由训练单元对初步卷积神经网络进行训练；

所述生成初步卷积神经网络中，所述初步卷积神经网络由强化学习方法寻找最适合甲状腺肿瘤细胞学涂片图像分类的现有卷积神经网络作为基础，采用循环神经网络作为强化学习网络预测器，搜索并生成各种卷积神经网络，对其进行初步训练并设定一个准确率阈值，将准确率高于阈值的卷积神经网络作为初步卷积神经网络；循环神经网络每次迭代都会给卷积神经网络添加一层，包括卷积层、池化层和全连接层，或者结束卷积神经网络的生成过程；对于卷积层，循环神经网络预测其通道数量和内核大小；对于池化层，循环神经网络预测其内核大小；对于全连接层，循环神经网络预测其通道数量。